Recruter un Data Scientist
L'intitulé de Data Scientist a beaucoup dérivé en dix ans. Certaines annonces qui l'emploient décrivent un travail d'analyse (indicateurs, exploration, tableaux de bord), d'autres attendent une mise en production de modèles, c'est-à-dire de l'ingénierie. Les deux recrutements ratent de la même façon : la personne s'en va au bout d'un an, en ayant fait correctement un travail étranger à celui pour lequel elle était venue. Nous écrivons donc avec vous, avant de chercher, ce que la personne fera les six premiers mois.
Aussi appelé Scientifique des données, Lead Data Scientist, Applied Scientist, Data Scientist senior, Ingénieur en science des données.
4,9/5 sur 32 avis GoogleSur le marché, 26 annonces ouvertes pour ce poste
Ce poste relève de notre cabinet de recrutement Data
Ce que nous observons
Pourquoi un recrutement de data scientist échoue.
L'annonce décrit un analyste et le titre promet autre chose
Le besoin réel est de comprendre une activité, de construire des indicateurs fiables et de les rendre lisibles. C'est un métier utile, exigeant et rémunéré à son juste niveau, mais il diffère de celui que promet l'intitulé. Le data scientist recruté sur cette promesse découvre que la modélisation restera hors de son poste, et part vers un employeur qui la lui confiera. Quand le poste est un poste d'analyse, nous le nommons ainsi dans l'annonce : les candidatures reçues sont plus adaptées, elles arrivent plus vite, et la fourchette correspond au travail réellement confié.
Les données restent inaccessibles, et l'annonce l'a tu
Le candidat arrive et découvre qu'obtenir un extrait demande un ticket, une validation et plusieurs semaines ; que les bases de production sont fermées ; que l'environnement d'analyse reste à créer. Il passe ses premiers mois à négocier des accès. C'est la première cause d'échec sur cette fonction, très loin devant le niveau technique, et elle est entièrement prévisible. Nous posons la question au cadrage : combien de temps faut-il aujourd'hui pour qu'un nouvel arrivant obtienne un jeu de données réel ?
Le chemin du modèle à la production reste à tracer
Le modèle fonctionne, la démonstration convainc, et tout s'arrête là : l'équipe et le processus pour l'exploiter manquent. Au bout d'un an, l'entreprise conclut que la science des données est inutile, et le data scientist conclut la même chose de son poste. L'obstacle est organisationnel plutôt que technique. Quand ce chemin vers la production manque, nous le disons au cadrage : le premier recrutement utile est souvent celui d'un ingénieur capable de le construire.
Le jury teste l'algorithmique, le poste demande de poser la bonne question
L'entretien porte sur les méthodes, leurs variantes, leurs hypothèses. Le travail réel consiste d'abord à traduire une demande floue en problème traitable, et souvent à démontrer qu'elle reste intraitable avec les données disponibles. Nous construisons donc un exercice sur un cas réel, avec des données imparfaites : ce que le candidat cherche à savoir avant d'ouvrir un modèle en dit davantage que les méthodes qu'il énumère.
On recrute un profil très académique pour un besoin opérationnel
Le doctorat rassure et impressionne le comité. Mais si le besoin consiste à livrer vite des réponses exploitables sur des données sales, un profil orienté recherche s'y ennuiera et l'entreprise trouvera ses délais longs. L'inverse existe aussi : confier un problème réellement difficile à un profil formé aux outils standards produit un modèle plausible et faux. Le critère utile tient à la nature du problème à traiter plutôt qu'au niveau de diplôme, et nous le formulons avec vous avant d'ouvrir la recherche.
Le poste est isolé dans l'organisation
Un data scientist seul, rattaché à une direction métier, privé de pair pour relire son travail et d'ingénieur pour l'aider à livrer, produit des analyses incontestées et inutilisées. La situation est fréquente et coûteuse. Quand le premier recrutement doit rester isolé, nous cherchons un profil plus autonome et plus senior que le budget le suggère, et nous le disons ; l'autre voie est de différer la recherche jusqu'à pouvoir ouvrir deux postes.
Avant de chercher
Ce que nous cadrons avec vous.
Le brief conditionne tout le reste. Un cadrage approximatif se paie en candidatures hors sujet et en semaines perdues. Si votre fiche de poste est déjà écrite, le diagnostic de recrutement la relit et la situe face au marché et à nos grilles.
Ce que la personne fera les six premiers mois
Écrit en termes de livrables concrets. Si la réponse ressemble à des tableaux de bord et de l'exploration, nous le disons : vous cherchez un analyste, et le poste se pourvoira mieux et plus vite sous ce nom.
L'accès réel aux données
Quels jeux de données existent, qui en autorise l'accès, combien de temps prend une demande aujourd'hui, et quel environnement d'analyse est disponible. C'est la question qui prédit le mieux la réussite du recrutement, et nous la posons avant l'annonce.
Le chemin vers la production
Ce qui se passe quand un modèle fonctionne : qui l'exploite, sur quelle infrastructure, avec quel suivi. Quand tout reste à construire, nous le disons et nous en tirons les conséquences sur le profil à recruter en premier.
L'environnement de travail scientifique
Existence de pairs, de revues de travail, d'un rattachement clair. Un data scientist isolé exige un niveau d'autonomie supérieur, donc une fourchette supérieure, que nous posons au cadrage plutôt qu'au moment de l'offre.
Lecture de marché
Ce que dit le marché aujourd'hui.
Lecture adossée à notre baromètre des salaires, en brut annuel, pour la France.
La demande s'est déplacée. Après une période où les entreprises recrutaient pour explorer, elles recrutent aujourd'hui pour livrer : les postes de science des données privés de perspective de mise en production se pourvoient mal, parce que les candidats expérimentés en ont déjà vécu un et s'en tiennent à distance.
Le vivier est large en volume et très inégal en profondeur. Les formations se sont multipliées et beaucoup de candidats maîtrisent les outils standards mais découvrent encore les difficultés du monde réel : données manquantes, fuite d'information, effet qui disparaît en production. Ce sont ces situations qui trient, et nous les faisons traiter sur un cas réel plutôt que sur un exercice théorique.
Notre baromètre situe la fonction entre environ 45 000 € pour un profil junior encadré et plus de 100 000 € pour un lead ou un principal. L'écart entre secteurs est marqué : à séniorité égale, les entreprises dont le produit repose sur la donnée rémunèrent nettement au-dessus des directions métier qui se dotent d'une première compétence.
La concurrence se joue sur la rémunération, et tout autant sur les conditions de travail scientifique : accès aux données, présence de pairs, existence d'un chemin vers la production. Une entreprise qui peut décrire concrètement ces trois points recrute mieux qu'une entreprise qui surenchérit sur le salaire.
Les frontières bougent avec les métiers voisins. Une partie des profils s'oriente vers l'ingénierie de la donnée ou l'apprentissage automatique appliqué, une autre vers l'analyse et la décision. Nous demandons en entretien vers quoi le candidat souhaite aller : un poste qui ignore cette direction le perd dès qu'une offre plus proche de son intention se présente.
La grille complète, échelon par échelon, figure sur la fiche métier détaillée, en fin de page.
Sur le marché, 26 annonces sont ouvertes en ce moment pour ce poste, relevées chaque matin : c'est la concurrence que votre offre rencontrera. Voir les annonces du marché
Un de nos recrutements, raconté de bout en bout.
Le besoin réel, la démarche, les profils comparés et ce qui a décidé du recrutement.
Baromètre Entourage · Édition 2027
Les grilles complètes, dans votre boîte.
L'étude 2027 en PDF : 61 métiers Finance et Tech, 228 échelons de rémunération en brut annuel, et pour chaque domaine ce qui fait varier le package (la taille du bilan, l'actionnariat, le périmètre réel). Établie sur nos mandats, plutôt que sur une enquête déclarative.
Pour intelligence artificielle : 4 métiers documentés, de 47 k€ à 153 k€. Lire la page du domaine
Questions fréquentes
Ce que les dirigeants nous demandent.
- Combien de temps faut-il pour recruter un Data Scientist ?
- Nous présentons les premiers profils qualifiés sous 10 jours ouvrés en CDI et sous 48 heures en management de transition. Le vivier étant large, le délai dépend surtout de la précision du besoin : une annonce qui hésite entre analyse et modélisation reçoit beaucoup de candidatures et peu de candidats adaptés.
- Quelle différence entre un Data Scientist et un Data Analyst ?
- L'analyste répond à une question avec les données existantes : il décrit, compare, explique. Le data scientist construit un modèle qui produit une prédiction ou une décision, et doit prouver qu'il tient hors de l'échantillon d'apprentissage. Beaucoup d'annonces demandent le second et décrivent le premier, ce qui explique une bonne part des départs à un an.
- Faut-il recruter un profil titulaire d'un doctorat ?
- Seulement quand le problème le justifie. Un doctorat apporte la rigueur méthodologique et l'aptitude à traiter un sujet réellement nouveau ; il renseigne peu sur le goût de livrer vite sur des données imparfaites. Nous établissons au cadrage si le sujet relève de la recherche ou de l'exploitation, et la shortlist s'ouvre en conséquence à l'un des deux viviers, ou aux deux quand la réponse est mixte.
- Faut-il un premier data scientist ou d'abord un data engineer ?
- Si l'accès aux données est difficile et que le chemin vers la production reste à tracer, l'ingénieur passe en premier, sinon le data scientist consacrera son année à construire ce qui sort du périmètre de son recrutement. Nous posons systématiquement la question au cadrage, y compris quand elle conduit à décaler le recrutement demandé.
- Comment évaluer un Data Scientist en entretien ?
- Sur un cas réel, avec des données imparfaites. Nous observons la façon dont le candidat traite une question mal posée : répondre qu'elle est intraitable avec les données disponibles, puis proposer une autre formulation, est le comportement que nous retenons. Les questions d'algorithmique départagent mal, parce qu'elles se préparent.
- Combien coûte le recrutement d'un Data Scientist ?
- Nous facturons au succès, y compris sur un mandat exclusif : nos honoraires sont dus à l'acceptation de l'offre par le candidat, et à ce moment seulement. Si le candidat renonce finalement au poste, les honoraires versés sont intégralement remboursés.
- Intervenez-vous en management de transition sur cette fonction ?
- Oui, notamment pour cadrer un premier cas d'usage ou évaluer la faisabilité d'un projet avant de créer un poste permanent. C'est souvent plus utile qu'un recrutement décidé sur une intuition, et cela produit un cahier des charges dont la recherche suivante bénéficie. Premiers profils sous 48 heures.
Aller plus loin
Les autres fonctions Tech que nous recrutons.
Sur les fonctions voisines :
- DSI / CTO
- Data Engineer
- Chef de Projet ERP
- Développeur Web et Mobile
- Architecte SI
- Administrateur Système
Voir aussi la fiche métier détaillée, notre expertise Tech, nos outils gratuits ou les 5 mandats Entourage en Tech.
À propos de l'auteur
Consultant Sourcing chez Entourage Recrutement
Sourceur depuis sept ans sur les métiers financiers et technologiques, Bruno approche les profils qui restent loin des annonces. Il intervient sur les mandats en CDI comme sur les missions freelance.
Décrivez le poste, nous cadrons le reste.
Un consultant Tech vous recontacte sous 24 heures ouvrées pour qualifier le mandat et arrêter la stratégie d'approche.